Aprendizaje automático (AutoML)

Cómo funciona AutoML

Los sistemas AutoML automatizan las partes más repetitivas del proceso de aprendizaje automático. Un proceso AutoML típico implica varias etapas clave:

• Preparación de datos e ingeniería de características: Limpieza automática de datos brutos y generación de características significativas para el modelo. Esto puede incluir la gestión de valores perdidos, la normalización y la creación de nuevas variables predictivas a partir de las existentes.
• Selección de modelos: Elección del algoritmo más adecuado (por ejemplo, árbol de decisión, máquina de vectores de soporte o una red neuronal) para un problema dado entre una amplia gama de posibilidades.
• Optimización de hiperparámetros: Encontrar automáticamente los hiperparámetros óptimos para el modelo seleccionado. Para ello se suelen utilizar estrategias de búsqueda sofisticadas, como la optimización bayesiana, la búsqueda en cuadrícula o los algoritmos evolutivos. Ultralytics incorpora esto en sus herramientas para tareas como el ajuste de hiperparámetros.
• Evaluación e iteración del modelo: Evaluación del rendimiento del modelo mediante métricas como la precisión o la puntuación F1 e iteración del proceso para lograr mejores resultados.

Aplicaciones reales

AutoML se aplica en numerosos sectores para acelerar el desarrollo y mejorar los resultados.

1. La IA en la sanidad: En el análisis de imágenes médicas, AutoML puede probar rápidamente distintos modelos de segmentación de imágenes para detectar tumores en exploraciones. Un sistema podría entrenar y evaluar automáticamente varias arquitecturas en un conjunto de datos como el de tumores cerebrales, lo que reduciría considerablemente el tiempo que necesitan los investigadores para desarrollar una herramienta de diagnóstico desplegable.
2. Servicios financieros: Los bancos utilizan AutoML para crear modelos de detección de fraudes. Al introducir datos históricos de transacciones en una plataforma AutoML, pueden generar y optimizar automáticamente modelos que identifiquen patrones fraudulentos con gran precisión, una tarea que de otro modo requeriría un gran esfuerzo manual por parte de los científicos de datos. Este tema se analiza con más detalle en Visión por computador para las finanzas.

AutoML frente a conceptos relacionados

Es útil distinguir AutoML de los campos relacionados:

• AutoML frente a MLOps: mientras que AutoML se centra específicamente en la automatización de la creación de modelos (selección, formación, ajuste), Machine Learning Operations (MLOps) abarca todo el ciclo de vida de ML. MLOps incluye el despliegue, la supervisión, la gestión y la gobernanza, garantizando que los modelos funcionen de forma fiable en producción. AutoML es a menudo un componente dentro de un marco MLOps más amplio, agilizando la fase de desarrollo inicial antes del despliegue del modelo y la supervisión del mismo.
• AutoML vs. NAS: La búsqueda de arquitectura neuronal (NAS) es un subcampo de AutoML centrado específicamente en el diseño automático de la arquitectura de redes neuronales. Mientras que NAS automatiza el diseño de redes, las herramientas AutoML más amplias también pueden automatizar la ingeniería de características y el ajuste de hiperparámetros para varios tipos de modelos, no sólo NN.

Herramientas y plataformas AutoML

Numerosas herramientas y plataformas facilitan el AutoML:

• Plataformas en la nube: Los principales proveedores ofrecen servicios AutoML integrados, como Google Cloud AutoML, Amazon SageMaker Autopilot y Microsoft Azure Machine Learning. Estos aprovechan los recursos escalables de computación en la nube. Ultralytics también ofrece formación en la nube Ultralytics HUB.
• Bibliotecas de código abierto: Entre las bibliotecas más populares se encuentran Auto-sklearn (basada en scikit-learn), TPOT (que utiliza programación genética) y H2O AutoML. Frameworks como PyTorch y TensorFlow proporcionan la infraestructura subyacente para muchas tareas de ML, incluidas las automatizadas por las herramientas AutoML.
• Plataformas integradas: Ultralytics HUB incorpora funciones AutoML, en particular para el ajuste de hiperparámetros, lo que simplifica el proceso de entrenamiento de modelos personalizados para tareas como la detección de objetos.